随着以 ChatGPT 为代表的生成式 AI 兴起，其背后以大模型为基础的人工智能成为业界投入的方向。
所谓“大模型”，通常是在无标注的大数据集上，采用自监督学习的方法进行训练。之后在其他场景的应用中，开发者只需要对模型进行微调，或采用少量数据进行二次训练，就可以满足新应用场景的需要。
据腾讯研究院，当前的人工智能大多是针对特定的场景应用进行训练，生成的模型难以迁移到其他应用，属于“小模型”的范畴。整个过程不仅需要大量的手工调参，还需要给机器喂养海量的标注数据，这拉低了人工智能的研发效率，且成本较高。
相比之下，大模型的改进可以使所有的下游小模型受益，大幅提升人工智能的使用场景和研发效率。
同时，在大模型的框架下，ChatGPT 所使用的 GPT 模型，每一代参数量均高速扩张，预训练的数据量需求和成本亦快速提升。
国盛证券计算机分析师刘高畅、杨然在发表于 2 月 12 日的报告《Chatgpt 需要多少算力》中估算，GPT-3 训练一次的成本约为 140 万美元，对于一些更大的 LLM 模型，训练成本介于 200 万美元至 1200 万美元之间。这一成本于全球科技大企业而言并不便宜，但尚在可接受范围内。
初始投入近十亿美元，单日电费数万美元
国盛证券估算，今年 1 月平均每天约有 1300 万独立访客使用 ChatGPT，对应芯片需求为 3 万多片英伟达 A100GPU，初始投入成本约为 8 亿美元，每日电费在 5 万美元左右:
1) 计算假设：
英伟达 A100：根据 OneFlow 报道，目前，NVIDIAA100 是 AWS 最具成本效益的 GPU 选择。
英伟达 DGXA100 服务器：单机搭载 8 片 A100GPU，AI 算力性能约为 5PetaFLOP/s，单机最大功率约为 6.5kw，售价约为 19.9 万美元/台。
标准机柜：19 英寸、42U。单个 DGXA100 服务器尺寸约为 6U，则标准机柜可放下约 7 个 DGXA100 服务器。则，单个标准机柜的成本为 140 万美元、56 个 A100GPU、算力性能为 35PetaFLOP/s、最大功率 45.5kw。
2）芯片需求量：
每日咨询量：根据 Similarweb 数据，截至 2023 年 1 月底，chat.openai.com 网站（即 ChatGPT 官网）在 2023/1/27-2023/2/3 这一周吸引的每日访客数量高达 2500 万。假设以目前的稳定状态，每日每用户提问约 10 个问题，则每日约有 2.5 亿次咨询量。
A100 运行小时：假设每个问题平均 30 字，单个字在 A100GPU 上约消耗 350ms，则一天共需消耗 729,167 个 A100GPU 运行小时。
A100 需求量：对应每天需要 729,167/24=30,382 片英伟达 A100GPU 同时计算，才可满足当前 ChatGPT 的访问量。
3）运行成本：
初始算力投入：以前述英伟达 DGXA100 为基础，需要 30,382/8=3,798 台服务器，对应3,798/7=542 个机柜。则，为满足 ChatGPT 当前千万级用户的咨询量，初始算力投入成本约为 542*140=7.59 亿美元。
每月电费：用电量而言，542*45.5kw*24h=591,864kwh/日。参考 HashrateIndex 统计，我们假设美国平均工业电价约为 0.08 美元/kwh。则，每日电费约为2,369,640*0.08=4.7 万美元/日。
训练成本：公有云下，单次百万至千万美元
国盛证券基于参数数量和 token 数量估算，GPT-3 训练一次的成本约为 140 万美元；对于一些更大的 LLM 模型采用同样的计算公式，训练成本介于 200 万美元至 1200 万美元之间：
1）基于参数数量和 token 数量，根据 OneFlow 估算，GPT-3 训练一次的成本约为 139.8 万美元：每个 token 的训练成本通常约为 6N（而推理成本约为 2N），其中N是 LLM 的参数数量；假设在训练过程中，模型的 FLOPS 利用率为 46.2%，与在 TPUv4 芯片上进行训练的 PaLM 模型（拥有 5400 亿参数）一致。
2）对于一些更大的 LLM 模型（如拥有 2800 亿参数的 Gopher 和拥有 5400 亿参数的 PaLM），采用同样的计算公式，可得出，训练成本介于 200 万美元至 1200 万美元之间。
国盛证券认为，在公有云上，对于以谷歌等全球科技大企业而言，百万至千万美元级别的训练成本并不便宜，但尚在可接受范围内、并非昂贵。
